[发明专利]基于PCA-SC算法的形状匹配和目标识别方法

说明书

技术领域

本发明涉及形状匹配技术领域，特别是涉及一种基于PCA-SC算法的形状匹配和目标识别方法。

背景技术

机器视觉认知一直是人们研究的热点，物体形状特征描述是机器视觉的主要研究对象，在工程中得到了广泛应用，如宽基线匹配、目标类别识别、图像及视频检索、特定目标识别、机器人导航、场景分类、纹理识别和数据挖掘等多个领域中。

根据特征来源把形状描述方法分为两类：基于轮廓的方法和基于变换域的方法，前者特征全部来自于目标轮廓，如Moravec、Harris角点特征，轮廓周长、紧密度、偏心率，Hausdroff距离等；后者则用到整个形状在变换域上的特征信息，如傅里叶形状描述子，小波形状描述子，几何矩，形状矩阵等。基于变换域的形状特征的形状匹配和目标识别算法具有不受外界环境干扰、稳定的特点，在几何变换、光度变换、卷积变换、视角变换中具有不变性，是工程中常用的匹配和识别方法。

有三种经典的基于变换域的形状特征描述方法，各自的优缺点如下：

傅里叶形状描述子具有简单、高效的特点，但局部特征捕捉能力不强，对噪声干扰较敏感；

由于小波变换具有多分辨率分析特点，多尺度小波形状描述子能准确获得图像的整体和局部特征，匹配精度高，但是该算法不仅复杂度高，匹配耗时长，还对图像平移和旋转较敏感；

形状上下文（Shape Context，SC）算法基于统计信息的概念，匹配识别精度高，拥有很强的捕捉局部特征能力，并具有平移不变性和旋转不变性，克服了傅里叶形状描述子和小波形状描述子的一些缺点，但该算法计算复杂度高，且抑制噪声能力不强。

因此，针对上述技术问题，有必要提供一种基于PCA-SC算法的形状匹配和目标识别方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于PCA-SC算法的形状匹配和目标识别方法。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种基于PCA-SC算法的形状匹配和目标识别方法，所述方法包括：

S1、采用中值滤波法对目标图像进行预处理，滤除目标图像中的部分噪声；

S2、利用二阶梯度Canny边缘检测算子提取目标图像的边缘；

S3、基于轮廓提取算法提取边界轮廓点信息，并求出轮廓点的直角坐标参数；

S4、将轮廓点由直角坐标转化为极坐标，得到每个点对应的对数极坐标直方图，形成局部特征描述符；

S5、采用主成分分析方法形成协方差矩阵，提取出该矩阵较大特征值对应的特征向量，采用线性变换方法将矩阵由高维降至低维，形成新的特征矩阵用于形状匹配和目标识别；

S6、通过计算匹配度，获得目标图像与每个模板图像之间的匹配度值，匹配度值越小则相似度越大。

作为本发明的进一步改进，所述步骤S1中的中值滤波法为自适应中值滤波法。

作为本发明的进一步改进，所述步骤S3具体包括：

S31、轮廓提取基于步骤S2提取的目标图像的边缘；

S32、轮廓提取算法遵循曲率大的曲线取点较多，曲率小的曲线取点少的原则；

S33、角点不能省略，必须包含在轮廓点中。

作为本发明的进一步改进，所述步骤S4具体包括：

S41、将目标图像上某一轮廓点与其余轮廓点有向连接形成向量，计算向量的欧式距离和相对于水平线的角度；

S42、将角度平均分成12份，每30°一个单位，求出最大的距离的对数，并将其等分为5份，以角度为行距离的对数为列形成一个12×5维的矩阵；

S43、计算每个轮廓点与其余轮廓点之间的角度和距离的对数，并将其落在对应的矩阵格中，并求落在每一格的点数，即可得到此点的对数极坐标直方图，即该点的特征向量。

作为本发明的进一步改进，所述步骤S5具体包括：

S51、将由步骤S4可得到每个轮廓点的特征向量进行组合，即可得到一个n×60维特征矩阵；

S52、计算n个特征向量的平均向量，并求出每个轮廓点对应的特征向量与平均向量的差，得到差值向量；

S53、构建协方差矩阵，并求出该矩阵的特征值和对应的特征向量；

S54、求出k个最大的特征值，按由大到小的顺序将其对应的特征向量组合构成投影矩阵，与原矩阵相乘得到新的特征矩阵用于形状匹配和目标识别。

作为本发明的进一步改进，所述步骤S54中的k是降维的维数，k由图像形状复杂度进行设定。

作为本发明的进一步改进，所述步骤S6具体包括：